Google Analytics estrena el servidor MCP 1.0

Google Analytics ya habla el idioma de los agentes

Google publicó la versión 1.0 estable del servidor MCP (Model Context Protocol) para Google Analytics 4. Traducido a la operación diaria: un conector oficial que permite a Claude, Cursor, Gemini o ChatGPT consultar tus datos de analítica, auditar propiedades y hasta crear eventos clave sin escribir una línea de SQL. El servidor arranca por defecto en modo de solo lectura y admite informes de hasta 250.000 filas.

Para un equipo de producto o marketing con menos de diez personas, esto elimina el paso que más tiempo consume: exportar a BigQuery, modelar y recién entonces preguntar. La pregunta de negocio y la respuesta quedan en la misma conversación.

¿Qué es el MCP y por qué Google lo adopta ahora?

MCP es un estándar abierto basado en JSON-RPC en el que los servidores exponen herramientas, recursos y prompts a los modelos de IA, según la descripción técnica recogida por Hackernoon. Nació para resolver la desconexión contextual: los LLM entienden lenguaje, pero no tienen acceso seguro y estructurado al estado real de un negocio.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Antes de esto, cada integración era un conector propietario o un sistema RAG caro de mantener. Con MCP, Google publica un servidor que expone la API de datos y la API de administración de GA4 con un contrato estándar. Cualquier cliente compatible se conecta sin desarrollo a medida.

El contexto del sector ayuda a calibrar el momento. Según la encuesta de Stack Overflow de 2025 citada por Hackernoon, el 84% de los desarrolladores usa o planea usar herramientas de IA, pero solo el 14,1% usa agentes de IA a diario. El mismo artículo recoge el dato del informe DORA 2025: cerca del 90% de los profesionales de tecnología usa IA y el 30% desconfía poco o nada del código que produce. Ese hueco entre «consultar» y «dejar que el agente actúe» es exactamente donde se posiciona el servidor de GA4.

¿Qué puede hacer la IA con tus datos de GA4?

Las herramientas expuestas se agrupan en tres bloques:

Informes: runreport, runfunnelreport, runconversionsreport y runrealtime_report. Cubren informes estándar y personalizados con filtros y ordenamientos, embudos de conversión, conversiones con costes de Google Ads, ROAS y modelos de atribución, además de datos en tiempo real.
Metadatos y auditoría: getaccountsummaries, getpropertydetails, listgoogleadslinks, listpropertyannotations, listkeyevents y getcustomdimensionsand_metrics. Sirven para auditar eventos clave, dimensiones y métricas personalizadas, y ver qué cuentas de Google Ads están vinculadas.
Escritura (opcional): createkeyevent, createcustomdimension y createpropertyannotation. Requieren el flag –allow-write y el scope analytics.edit.

Los ejemplos de prompts que plantea el propio anuncio son bastante concretos: comparar sesiones y eventos clave de los últimos 30 días contra el período anterior desglosando Meta Ads frente a Google Ads; pedir el tráfico de ayer de Google Discover por URL más vista y comparar la tasa de rebote con la media del sitio; o analizar el embudo de compra del tráfico de pago de la última semana y detectar en qué paso se abandona más.

Cómo se conecta: los requisitos reales

No es un botón. Hay trabajo de infraestructura, y conviene saberlo antes de prometerle nada a un cliente:

Python 3.10 o superior, más pipx o uvx para ejecutar el servidor en un entorno aislado.
Un proyecto de Google Cloud con las APIs analyticsadmin.googleapis.com y analyticsdata.googleapis.com habilitadas.
Rol de visualizador (roles/analytics.viewer) como mínimo sobre la propiedad de GA4.
Credenciales de aplicación por defecto (ADC) con el scope analytics.readonly.

El servidor se publica en PyPI como analytics-mcp y expone los scripts analytics-mcp y google-analytics-mcp. Se configura en el archivo de MCP de cada cliente: Claude Desktop, Claude Code, Cursor o la CLI e IDE de Antigravity. Google también publica un paquete de habilidades para agentes de programación con el comando npx skills add google/skills/skills/analytics.

¿Qué significa esto para tu startup?

El valor no está en preguntarle a la IA «cómo va el tráfico». Está en cerrar el bucle entre la pregunta y la acción sin pasar por el equipo de datos. Tres cosas concretas para hacer esta semana:

Empieza en solo lectura y con una propiedad de staging. El servidor arranca en modo de solo lectura por defecto. Mantenlo así hasta validar que los prompts devuelven lo que esperas. Si vas a habilitar escritura, hazlo primero en una propiedad de prueba, nunca en la de producción.
Mide el ahorro en horas, no en tokens. El código es abierto y gratuito, pero pagas el consumo de las APIs de Google Cloud y los tokens del modelo. Antes de escalar, cronometra una tarea que hoy haces a mano —por ejemplo, el informe semanal de canales— y compara. Si el ahorro no aparece en la primera semana, el caso de uso elegido no era el correcto.
Documenta los prompts que funcionan. Un prompt que compara Meta Ads contra Google Ads con variaciones absolutas y porcentuales es un activo reutilizable. Guárdalo en un repositorio junto al equipo, igual que guardarías un script.

El riesgo que no aparece en el anuncio

Conectar un agente a datos de negocio amplía la superficie de ataque. En octubre de 2026, Ars Technica reportó una vulnerabilidad en agentes de Google y otras cuatro organizaciones que explota una forma especial de inyección de prompts: un agente comprometido dentro de la red envía instrucciones maliciosas a otros agentes internos, y estos las siguen porque confían en el primero. El artículo señala que muchos agentes de propósito específico carecen de los guardrails que mitigarían ese escenario.

La lección para quien adopte el servidor de GA4 es directa: el modo de solo lectura por defecto no es una limitación molesta, es la primera capa de defensa. Y si habilitas escritura, el scope analytics.edit sobre una propiedad de producción conviene tratarlo con el mismo rigor que un acceso de administrador.

¿Sustituye a BigQuery y Looker Studio?

No del todo. BigQuery sigue siendo la pieza correcta para almacenamiento crudo a largo plazo, modelado predictivo y cruce con bases de datos transaccionales internas. Lo que el servidor MCP elimina es el flujo completo de exportación para las consultas del día a día: informes rápidos, auditorías de tráfico, análisis de embudos y diagnóstico de campañas.

La comparación con el resto del ecosistema ayuda a calibrar el movimiento. En septiembre de 2026, la startup sueca Stravito lanzó su propio servidor MCP para exponer investigación de mercado a ChatGPT, Claude y Copilot, con citas que llegan hasta la celda de una hoja de cálculo y respeto de los permisos ya configurados, según reportó SiliconANGLE. La diferencia con GA4 es que Google no está vendiendo un producto nuevo: está abriendo el acceso a datos que el cliente ya tiene.

Conclusión

El servidor MCP de GA4 convierte la analítica web en una conversación. Para un founder sin equipo de datos, eso significa dejar de depender de un dashboard que nadie actualiza y empezar a preguntar. Para quien sí tiene equipo de datos, significa liberarlo de las consultas repetitivas y devolverlo al modelado que sí requiere criterio.

El paso que separa la curiosidad del retorno es la disciplina: solo lectura primero, una propiedad de prueba y una medición honesta del tiempo ahorrado. El resto es conversación.